Bank & fintech Malaysia bukan kurang teknologi, tapi terlebih pilihan AI. Ketahui bila guna traditional, ML, generatif dan agentic AI untuk hasil sebenar.
Krisis Pilih AI: Masalah Sebenar Untuk Bank & Fintech
Hampir setiap bank besar di Malaysia hari ini ada bajet khusus untuk AI. Ada yang labur berjuta untuk fraud detection, chatbot, kredit skor automatik, malah analitik kekayaan. Tapi bila saya masuk sesi strategy review dengan pasukan digital, soalan yang sama tetap muncul:
"Kita perlu AI apa sebenarnya? Traditional? Machine learning? Generatif? Agentic? Dan kat mana patut kita mula?"
Kebanyakan organisasi bukan kurang teknologi. Mereka terlebih pilihan. Akhirnya projek terperangkap di fasa POC yang tak habis-habis, kos naik, kesan bisnes tak nampak.
Artikel video Finextra bersama Christophe Sorré (CTO, Financial Services IBM France) bawa satu poin yang saya sangat setuju: bukan semua masalah perlukan jenis AI yang sama. Traditional AI dan machine learning selalunya buat satu tugas spesifik, sementara generative AI dan agentic AI boleh urus pelbagai tugas dan lebih dinamik.
Untuk bank, insurans dan fintech di Malaysia yang tengah agresif transformasi digital hujung 2025 menuju 2026, memilih AI yang salah bukan sekadar isu teknologi – ia isu kos, risiko pematuhan, dan kepercayaan pelanggan.
Artikel ini fokus pada satu persoalan: bagaimana bank dan fintech Malaysia boleh pilih AI yang betul untuk kes penggunaan mereka, khususnya dalam fraud, pematuhan, dan pengalaman pelanggan?
1. Empat Generasi AI: Dari Peraturan Statik Ke Ejen Pintar
Jawapan kepada "AI mana sesuai" bermula dengan faham jenis-jenis AI dan apa yang mereka realistik boleh buat dalam konteks perkhidmatan kewangan.
1.1 Traditional AI berasaskan peraturan
Ini generasi terawal yang banyak bank Malaysia dah gunakan sejak era core banking lama:
Rule-based systems(jika A dan B, maka C)- Decision trees statik
- Enjin skor risiko berasaskan formula tetap
Kekuatan:
- Telus dan mudah jelaskan kepada auditor & Bank Negara
- Sesuai untuk business rules yang jelas: had transaksi, sanction list asas, semakan format data
Kelemahan:
- Susah skala bila kes semakin kompleks
- Tak adaptif kepada corak fraud baru
Untuk banyak bank, traditional AI masih tulang belakang sistem core, tapi ia jarang cukup untuk cabaran baru seperti real-time fraud dan personalisation.
1.2 Machine learning (ML)
Era kedua ialah ML: model belajar daripada data sejarah untuk buat ramalan.
Dalam sektor kewangan Malaysia, ML hari ini biasa digunakan untuk:
- Credit scoring alternatif (guna data transaksi, bukan sekadar CCRIS)
- Pengesanan fraud berasaskan corak tingkah laku
- Next best offer dalam aplikasi perbankan
Kekuatan:
- Tepat bila data cukup
- Boleh kesan corak halus yang manusia tak nampak
Cabaran:
- Perlu data governance yang matang
- Model kadang-kadang sukar diterangkan (isu explainability)
Christophe Sorré ringkaskan: traditional AI & ML biasanya fokus satu tugas spesifik, dengan skop jelas. Itu bukan kelemahan, itu tepat untuk banyak masalah teras bank.
1.3 Generative AI (GenAI)
Generative AI pula cipta kandungan baharu: teks, kod, imej, ringkasan. Dalam kewangan, penggunaan realistiknya ialah:
- Menjana draf jawapan e-mel pelanggan
- Meringkaskan dokumen pinjaman, term sheet, polisi
- Menjana kod contoh atau skrip query untuk pasukan IT/data
Nilai utama GenAI: percepat kerja pengetahuan (knowledge work) — kerja pegawai pematuhan, legal, relationship manager, dan call centre.
1.4 Agentic AI
Agentic AI ialah evolusi dari GenAI: bukan sekadar menjawab, tapi bertindak dalam persekitaran yang ditetapkan.
Dalam konteks bank:
- Ejen AI yang boleh:
- Semak beberapa sistem (CRM, core banking, tiket servis)
- Buat tindakan mudah (tukar status tiket, cadang pemulihan akaun)
- Rujuk manusia bila kes berisiko tinggi
Bayangkan ejen AI yang urus 80% tugas rutin operations dan hanya angkat kes kompleks kepada manusia.
Ringkasnya:
- Traditional/ML → Spesifik, stabil, sangat tepat bila dilatih baik
- Generative/Agentic → Fleksibel, multi-tugas, kuat untuk automasi proses pengetahuan
2. Mulakan Dengan Masalah Bisnes, Bukan Trend AI
Kebanyakan projek AI gagal bukan sebab model lemah, tapi sebab soalan awalnya salah. Soalan sebenar bukan "kita patut guna GenAI ke ML?" tetapi:
"Masalah bisnes apa yang paling kritikal dan betul-betul beri ROI bila diselesaikan?"
Untuk bank & fintech di Malaysia, 5 use case ini biasanya muncul dalam setiap pelan transformasi:
- Pengesanan fraud & AML
- Kredit skor & risk-based pricing
- Pematuhan regulatori (BNM, AMLA, FATF, IFRS9, dll.)
- Pengalaman pelanggan omnichannel (chatbot, self-service, personalisation)
- Automasi proses dalaman (back-office, reconciliations, exception handling)
2.1 Contoh ringkas: Fraud & AML untuk bank runcit
Objektif bisnes:
- Kurangkan kerugian fraud 30–50%
- Kurangkan false positive AML supaya pasukan pematuhan tak tenggelam dengan alerts
Pendekatan AI yang sesuai:
- Gunakan ML tradisional untuk pemarkahan risiko transaksi masa nyata
- Lapiskan dengan peraturan telus untuk keperluan regulatori
- Tambah GenAI sebagai pembantu pegawai AML untuk:
- Meringkas profil pelanggan & sejarah transaksi
- Menyediakan draf justifikasi case closure atau escalation
Kesilapan biasa ialah cuba terus bina "agentic AI untuk fraud" tanpa asas ML dan peraturan yang kukuh. Hasilnya lebih banyak risiko daripada manfaat.
3. AI Mana Untuk Masalah Apa? Peta Praktikal Untuk Malaysia
Berikut peta ringkas yang saya gunakan bersama klien bank & fintech. Ia bukan sempurna, tapi cukup praktikal untuk rancangan 12–24 bulan.
3.1 Pengesanan fraud & keselamatan pembayaran
Paling sesuai: ML + peraturan + sedikit GenAI di workflow.
- Gunakan ML untuk
anomaly detectiondan skor risiko - Gunakan peraturan untuk syarat wajib (had, negara berisiko, senarai sekatan)
- Gunakan GenAI untuk:
- Ringkaskan kes fraud yang kompleks untuk fraud analyst
- Menjana draf komunikasi kepada pelanggan (dengan human review)
Agentic AI boleh datang kemudian, bila data dan proses dah stabil.
3.2 Kredit skor & pembiayaan PKS/individu
Paling sesuai: ML sebagai enjin utama, GenAI sebagai pembantu pegawai.
- ML untuk:
- Behavioural scoring berdasarkan data akaun dan transaksi
- Probability of default (PD), loss given default (LGD)
- GenAI untuk:
- Meringkas dokumen kewangan PKS
- Menghasilkan penjelasan risiko dalam bahasa mudah untuk pelanggan
Ini sangat relevan untuk bank dan fintech yang mahu kembangkan pembiayaan kepada segmen underserved di Malaysia tanpa menambah risiko berlebihan.
3.3 Chatbot, pusat panggilan & pengalaman pelanggan
Paling sesuai: GenAI + sedikit unsur agentic AI.
- Chatbot GenAI boleh faham pelbagai soalan pelanggan dalam BM dan Inggeris
- Fine-tune dengan nada dan polisi bank tempatan
- Agentic AI untuk:
- Tarik data baki akaun, status permohonan, sejarah tiket (dengan kawalan ketat)
- Bantu staf cawangan dengan
assistant desktopyang cadangkan langkah seterusnya
Di Malaysia, isu utama ialah bahasa campur-campur (BM + Eng + dialek). Di sinilah GenAI jauh lebih sesuai berbanding bot berasaskan peraturan lama.
3.4 Pematuhan & pelaporan regulatori
Paling sesuai: Traditional AI + GenAI.
- Gunakan peraturan & ML untuk kira metrik risiko
- Gunakan GenAI untuk:
- Meringkas perubahan regulasi Bank Negara atau garis panduan Shariah
- Menjana draf polisi dalaman, SOP dan FAQ pematuhan
Kuncinya: GenAI bantu cepatkan kerja manusia, bukan buat keputusan pematuhan kritikal secara automatik.
4. 5 Soalan Wajib Sebelum Anda Pilih AI Untuk Projek Seterusnya
Sebelum anda menandatangani apa-apa projek AI baru, bawa lima soalan ini ke mesyuarat steering committee atau vendor anda.
4.1 "Kita nak selesaikan masalah apa, dalam bahasa bisnes?"
Jawapan yang baik biasanya boleh diukur, contohnya:
- "Kurangkan fraud loss kad kredit 40% dalam 18 bulan"
- "Kurangkan masa proses permohonan pembiayaan PKS dari 10 hari ke 2 hari"
Jika jawapannya sekadar "nak guna GenAI sebab semua orang guna", hentikan dulu.
4.2 "Jenis keputusan apa yang AI akan buat, dan siapa bertanggungjawab akhir?"
Bezakan tiga tahap:
- Cadangan (AI beri saranan, manusia putuskan) – sesuai untuk GenAI & agentic AI
- Kelulusan automatik untuk kes berisiko rendah – sesuai untuk ML matang
- Keputusan kritikal berprofil tinggi – manusia mesti kekal di tengah
Ini penting untuk meyakinkan pengurusan risiko, pematuhan dan Bank Negara bila ada penilaian model.
4.3 "Data kita cukup matang untuk jenis AI ini?"
Untuk ML & GenAI yang serius, tanya diri sendiri:
- Adakah kita ada
single customer viewyang boleh dipercayai? - Data transaksi kita bersih dan berlabel mencukupi?
- Polisi data governance jelas (siapa pemilik data, hak akses, audit trail)?
Kalau jawapannya banyak "tak pasti", mungkin langkah pertama ialah bina asas data dan traditional analytics sebelum masuk ke GenAI/agentic yang kompleks.
4.4 "Bagaimana kita jelaskan keputusan AI kepada pelanggan & regulator?"
Bank di Malaysia tak boleh lari dari keperluan explainable AI:
- Untuk kredit skor: bolehkah anda jelaskan kenapa permohonan ditolak dalam bahasa yang pelanggan faham?
- Untuk fraud: bolehkah anda tunjukkan faktor utama yang bawa kepada
flaggingsesuatu transaksi?
Di sini, gabungan ML + peraturan + alat penjelasan model biasanya lebih sesuai daripada black-box yang terlalu kompleks.
4.5 "Model ini boleh dikawal & di-govern?"
Terutamanya untuk GenAI dan agentic AI:
- Adakah model di-fine-tune dan di-guardrail dengan kandungan dalaman bank?
- Adakah ada red-teaming, ujian bias, dan
prompt loggingyang audit-friendly? - Bolehkan kita hadkan apa ejen AI boleh buat (contoh: hanya baca, tak boleh ubah rekod)?
Tanpa governance, projek GenAI yang nampak menarik boleh jadi risiko reputasi dan pematuhan yang besar.
5. Strategi Realistik 12–24 Bulan Untuk Bank & Fintech Malaysia
Berita baiknya: anda tak perlu terus melompat ke agentic AI penuh untuk nampak hasil. Kebanyakan organisasi yang berjaya ikut lengkung ini.
Fasa 1: Kuatkan asas traditional AI & ML
Fokus pada:
- Fraud scoring dan AML berasaskan ML
- Behavioural credit scoring
- Automasi peraturan (rules engine) yang lebih moden
Objektif: ROI yang jelas, "quick win" untuk yakinkan pengurusan.
Fasa 2: GenAI sebagai pembantu staf (bukan ganti staf)
Mulakan di kawasan risiko rendah tapi kesan produktiviti tinggi:
- Knowledge assistant untuk pegawai pematuhan & risk
- Pembantu untuk contact centre (cadang jawapan, ringkas kes)
- Ringkasan dokumen dan laporan dalaman
Pastikan:
- Semua jawapan disemak manusia
Watermarkingdalaman supaya staf tahu kandungan dijana AI
Fasa 3: Agentic AI untuk proses hujung-ke-hujung terpilih
Bila data, governance dan keyakinan sudah matang, barulah mula:
- Ejen AI untuk exception handling (contoh: bayaran gagal, reconciliations)
- Ejen untuk proses onboarding pelanggan korporat yang kompleks
Di sini, pengalaman seperti yang dikongsi tokoh industri global (seperti Christophe Sorré dan pemain besar lain) sangat berguna, tapi perlu disesuaikan dengan konteks regulasi & budaya Malaysia.
Penutup: Bank Yang Menang Bukan Yang Paling "Canggih", Tapi Yang Paling Tepat
Dalam siri "AI in Financial Services (Banks, Insurance, Fintech)" ini, satu corak sentiasa berulang: organisasi yang berjaya dengan AI bukan yang guna teknologi paling sensasi, tapi yang paling fokus pada kes penggunaan bernilai tinggi dan jenis AI yang tepat.
Untuk bank dan fintech di Malaysia, langkah seterusnya bukan tanya "macam mana nak guna GenAI?" tetapi:
- "Masalah bisnes mana yang paling menyakitkan sekarang?"
- "Jenis AI mana paling sesuai – traditional, ML, generative atau agentic?"
- "Adakah data, pematuhan dan pasukan kita bersedia?"
Kalau anda tengah merancang bajet 2026 atau menyusun AI roadmap seterusnya, gunakan lima soalan tadi sebagai checklist sebelum meluluskan projek baru. Kadang-kadang jawapan yang betul ialah mula kecil dengan ML yang jelas ROI, dan hanya bawa GenAI/agentic bila organisasi sudah cukup matang.
Akhirnya, dalam persaingan perbankan digital Malaysia, AI bukan lagi kelebihan eksklusif – semua orang boleh beli model. Bezanya ialah siapa yang bijak memilih AI yang betul untuk masalah yang betul, pada masa yang betul.